सामान्य प्रश्न
मैं समूह और सहयोगपूर्ण असाइनमेंट में AI को कैसे संभालूँ?
यह अंग्रेज़ी पेज का ऑटोमैटिक अनुवाद है और इसकी अभी तक किसी मूल भाषी ने समीक्षा नहीं की है।
आप एक समूह असाइनमेंट तय करते हैं, और जमा किए गए कार्यों के साथ दो विफलताएँ आती हैं: एक ऐसी कृति जो परिष्कृत और सुसंगत है लेकिन जिसे कोई भी सदस्य समझा नहीं सकता, और एक ऐसी टीम जहाँ एक छात्र ने काम को जनरेटिव AI से चलाया जबकि बाकी तीन साझा ग्रेड पर चिपले रहे। फ़ाइल में कुछ भी आपको यह नहीं बताता कि कौन-सा मामला है।
ये दोनों निर्णय देने की समस्याएँ पहले हैं और अखंडता की समस्याएँ बाद में, और उन दोनों से भी पहले ये डिज़ाइन की समस्याएँ हैं: एक समूह असाइनमेंट एक साथ दो दावे करता है — टीम ने क्या तैयार किया, और प्रत्येक सदस्य ने क्या सीखा — और AI इन दोनों पर दबाव डालता है, यह बदलते हुए कि काम को कितनी आसानी से बाँटा जा सकता है, योगदान कितने सहजता से मिलते हैं, और यह पता लगाना कितनी कठिन है कि जमा किए काम में किसकी सोच है।
सार निकालकर कहें तो: AI की जगह प्रति कार्य तय करें, प्रति पाठ्यक्रम नहीं; समूह के भीतर AI उपयोग को लेकर बातचीत को कुछ ऐसा बनाएँ जिसे वे जमा करें और आप अंक दें; काम को ऐसा डिज़ाइन करें कि उसे समानांतर चैटबॉट सत्रों में बाँटा न जा सके; और कम से कम एक ऐसा घटक रखें जिसके लिए प्रत्येक सदस्य अकेले जवाबदेह हो। इसमें से कुछ भी उपकरणों की निगरानी की माँग नहीं करता — यह कार्य को डिज़ाइन करने की माँग करता है।
संक्षिप्त संस्करण
- जान-बूझकर अनुमति दें, और बताएँ कि अनुमति किन चीज़ों पर लागू होती है। नामित करें कि AI किन हिस्सों को छू सकता है — विचार निर्माण, भाषा को परिष्कृत करना, लेआउट, स्क्रिप्टिंग — और किन हिस्सों को इसके बिना हल किया जाना चाहिए।
- उन खंडों की रक्षा करें जहाँ समूह साझी समझ बनाता है — फ्रेमिंग, असहमति, सुलह — क्योंकि AI-मध्यस्थ दक्षता ठीक इन्हीं को संकुचित करती है।
- एक छोटा, साझे तौर पर लिखा गया AI-उपयोग विवरण माँगें, और तर्क पर अंक दें। यह एक सहकर्मी मानदंड को समीक्षा योग्य निर्णय में बदल देता है।
- प्रक्रिया को दृश्यमान बनाएँ: मध्यवर्ती डिलिवरेबल, साझा नियोजन दस्तावेज़, प्रति-सदस्य प्रतिबिंब, योगदान के सहकर्मी मूल्यांकन।
- समूह अंकों के साथ व्यक्तिगत जवाबदेही भी रखें — एक मौखिक बचाव, या किसी भी खंड की व्यक्तिगत व्याख्या जिसे सदस्य ने स्वयं न लिखा हो।
- पहुँच के विन्यास को सोच-समझकर चुनें। एक साझा इंटरफ़ेस बातचीत से तय किया गया, दृश्यमान AI उपयोग उत्पन्न करता है; निजी प्रॉम्प्टिंग अपारदर्शी प्रवाह और चुपचाप लेबल-रहित आउटपुट उत्पन्न करती है।
- समूह के संयम को ध्यान से पढ़ें — AI से इनकार जानबूझकर किया गया स्व-नियमन हो सकता है या साधारण अपरिचितता, और दोनों के लिए भिन्न प्रतिक्रियाएँ उचित हैं।
इस असाइनमेंट में AI किस लिए है, यह तय करें
कोष अनुमति के प्रश्न को अनुमति के प्रश्न के रूप में हल नहीं करता, और यह उसके विरुद्ध तर्क देता है। चेन और ज़ोउ (2026) ने तीन से पाँच के समूहों का अध्ययन किया जो एक संस्थागत "केवल स्पष्ट स्वीकृति के साथ उपयोग" नीति के अंतर्गत ग्रेड के 30% मूल्य वाली प्रस्तुति दे रहे थे, जिसमें विचार निर्माण, भाषा परिष्करण, दृश्य लेआउट और स्क्रिप्टिंग के लिए GenAI को स्पष्ट रूप से अनुमति दी गई थी। उस एक उदार नीति के भीतर भी छात्रों ने प्रत्येक पक्ष पर रक्षणीय तर्क के साथ विपरीत निष्कर्षों तक पहुँचा, और डिज़ाइन ने यह निर्धारित किया कि कोई समूह किस निष्कर्ष तक पहुँचेगा। पाठ्यक्रम-स्तरीय नियम यह निर्धारित नहीं करता कि कोई समूह क्या करेगा; कार्य करता है।
अतः अनुमति को कृति के स्तर पर लिखें: बताएँ कि किन चरणों पर AI की अनुमति है और किन पर नहीं, और छात्रों को कारण भी बताएँ। स्कोपिंग समीक्षा की डिज़ाइन तर्क भी इसी दिशा में इशारा करता है — यदि AI-मध्यस्थ संचार बातचीत और सामूहिक अर्थ-निर्माण को संकुचित करता है, तो जिन खंडों में समूह साझी समन बनाता है उन्हीं की रक्षा करनी चाहिए। हालाँकि, इस आधार के विषय में ईमानदार रहें: कोई भी समीक्षा यह दावा नहीं करती कि AI रोकने से सीखने के परिणाम सुधरते हैं। वह तर्क इस व्यावहारिक संबंध के ढाँचे पर टिका है, किसी मापे गए तुलना पर नहीं।
कार्य को ऐसा बनाएँ कि समूह उसे बस बाँट न सके
वेई और पर्किंस (2026) — जनवरी 2023 और मार्च 2025 के बीच प्रकाशित 18 अंग्रेज़ी भाषा के अध्ययनों की एक PRISMA-निर्देशित स्कोपिंग समीक्षा, जिसका विश्लेषण स्वयं-परावर्ती विषयगत विश्लेषण से किया गया और आठ विषयों में मैप किया गया — बहीखाता का दोनों पक्ष देती है। लाभ: सामूहिक ज्ञान विकास, विचार निर्माण, चिंतनशील सोच के लिए सहयोग, संचार दक्षता, कार्य समन्वय, और प्रतिपुष्टि। जोखिम: अत्यधिक निर्भरता के तहत घटा सहकर्मी संपर्क और संलग्नता, साथ ही गोपनीयता, पारदर्शिता और शुद्धता की चिंताएँ। उनका आकलन निर्भीक है — लाभों को अनुभवजन्य रूप से समर्थन मिला है, जबकि गोपनीयता, पारदर्शिता, पूर्वाग्रह और शुद्धता के आसपास के जोखिम मुख्य रूप से वैचारिक रूप से परिचर्चित हैं — और अधिकांश शोध अल्पकालिक या वैचारिक है, सामूहिक गतिशीलता या संज्ञानात्मक विकास पर अनुदैर्ध्य काम बहुत कम है।
यह व्यावहारिक संबंध डिज़ाइन को नियंत्रित करता है। समीक्षा बताती है कि संचार, बातचीत और सामूहिक अर्थ-निर्माण की माँग घटने से सामूहिक काम अधिक कुशल हो गया — यह समीक्षा में उद्धृत लिन और सहकर्मियों की खोज है — अतः दक्षता की वृद्धि और संपर्क की हानि एक ही क्रियाविधि हो सकती हैं। यदि आप बातचीत को आवश्यक कार्य के रूप में वापस नहीं बनाते, तो आप गति बिना हानि के नहीं ले सकते। समीक्षा यह निष्कर्ष निकालती है कि सामूहिक-आधारित मूल्यांकन को उत्पाद से प्रक्रिया की ओर केंद्रित होना चाहिए।
चेन और ज़ोउ दिखाते हैं कि यह संयोग से कितना कठिन है: शिक्षार्थी सक्रियता के उनके तीन पैटर्न एक साथ भिन्न दिशाओं में चले। सहयोग-उन्मुख एजेंसी (पाँच समूह) ने काम को साथ रखने के लिए उपयोग को तीव्र किया, अक्सर सहकर्मियों के योगदान को चैटबॉट में डालकर उन्हें समझा और अपने हिस्से को संरेखित किया, एक समूह ने अपनी कार्यप्रवाह को "चर्चा → GenAI में बाह्यकरण → सामूहिक समीक्षा → पुनश्चर्चा" के रूप में पुनर्निर्मित किया। मानकीय एजेंसी (सात समूह) ने जान-बूझकर उपयोग पर रोक लगाई, यह मानते हुए कि कार्य को ऐसा स्थितिज ज्ञान चाहिए जिस तक AI नहीं पहुँच सकता — "AI केवल वही क्षण जानता है जब आप टाइप करते हैं" — या AI-जनित खंडों को उन साथियों के प्रति अन्यायपूर्ण माना जिन्हें उन्हें ढोना पड़ता। अप्रयुक्त एजेंसी (तीन समूह) ने कुछ नहीं बदला, काम को "व्यक्तिगत मंचों" पर अलग-अलग उपकार्यों में बाँट दिया जबकि व्यक्तिगत छात्रों ने GenAI का उपयोग ऐसे तरीकों से किया जिसका टीम को कभी पता नहीं चला।
रूब्रिक में पहले से ही एक बहुसांस्कृतिक विषय के अंतर्गत एकीकरण और सुसंगति, प्रत्येक सदस्य की अपने ही कक्षा-योगदान से जुड़ी परावर्ती अंतर्दृष्टि, और प्रदर्शित सामूहिक सहयोग की माँग थी — और फिर भी तीन समूहों ने बाँटकर जीत हासिल की। एक सुसंगति कसौटी अपने आप सहयोग उत्पन्न नहीं करती।
पहुँच का विन्यास भी इसका हिस्सा है। जू और सहकर्मी (2026) ने एक ही साझा ChatGPT-4 इंटरफ़ेस पर तीन-तीन के छह समूहों में 18 छात्रों को लगभग 45 मिनट तक देखा, और असिंक्रोनस टीमवर्क के विषय में नौ अन्य छात्रों से साक्षात्कार लिया। एक साझा, दृश्यमान इंटरफ़ेस के साथ टीमों ने "सामूहिक प्रॉम्प्ट" सह-निर्मित किए, एक आवर्ती सतह-मूल्यांकन-अंतर्निहित चक्र चलाया, चैट को साझा बाह्य स्मृति माना, और AI की भूमिका पर खुली बातचीत की। असिंक्रोनस काम में, निजी प्रॉम्प्टिंग और आउटपुट का "डी-लेबलिंग" ने अपारदर्शी, निजीकृत सूचना प्रवाह उत्पन्न किए जिससे साझा संज्ञानात्मक मॉडल बनाए रखने की लागत बढ़ गई। GenAI की भूमिका भी बदली, एक अधीन सहायक से एक विवादित सहयोगी में, और प्रणाली संज्ञानात्मक रूप से संलग्न है लेकिन टीम के बदलते फोकस के संदर्भ से अनजान है।
प्रत्येक सदस्य के योगदान को दृश्यमान बनाएँ
कोरचैक, कॉस्टले और फैंगुई (2026) वह विवरण जोड़ते हैं जो किसी मूल्यांकनकर्ता को चिंतित करना चाहिए। एक वैज्ञानिक लेखन पाठ्यक्रम में, 23 से 39 वर्ष आयु (औसत 27.7) के 10 स्नातकोत्तर छात्रों के साक्षात्कारों से, समूहों ने GenAI का उपयोग पूर्व-नियोजित रणनीतियों से या साझा दस्तावेज़ों में समन्वयित खुले, व्यक्तिगत रूप से संचालित संपर्कों से किया; एक विशिष्ट उपयोग GenAI को संपादकीय एकीकर्ता के रूप में करना था, जो समानांतर खंडों को सुसंगत पाठ में मिला देता है। उनका सबसे तीखा अवलोकन: छात्रों के विवरण कभी-कभी उनकी अपनी लिखित परावर्तियों के विरुद्ध जाते हैं — एक छात्र ने सामूहिक रणनीति का होना अस्वीकार करते हुए लिखित रूप में एक रणनीति का वर्णन किया। सामूहिक रणनीतियाँ हमेशा प्रत्येक सदस्य के लिए समान रूप से दृश्यमान नहीं होतीं, अतः वे आपके लिए भी विश्वसनीय रूप से दृश्यमान नहीं हैं।
सक्षम व्यक्तिगत AI उपयोग जो कभी टीम अभ्यास नहीं बनता, वही घटना है उलटी दिशा से। दोनों अध्ययन एक उपाय का संकेत देते हैं: डिलिवरेबल में दृश्यमानता को अभिकल्पित करें, एक निर्णय लॉग के साथ, साझा दस्तावेज़ों के साथ जिन्हें आप खोल सकें, और प्रत्येक सदस्य से एक छोटा नोट कि उन्होंने क्या योगदान दिया और किन हिस्सों को वे अब भी नहीं समझा सकते।
व्यक्ति को खोए बिना समूह का मूल्यांकन करें
चेन और ज़ोउ का केंद्रीय डिज़ाइन तर्क यह है कि स्वीकार्य GenAI उपयोग की बातचीत को स्वयं एक स्पष्ट, मूल्यांकन योग्य सीखने का परिणाम बनना चाहिए: टीमों को सामूहिक रूप से औचित्य देकर दर्ज करना चाहिए कि GenAI का उपयोग किस प्रकार किया जाएगा और किस प्रकार नहीं, नियम को सहकर्मी दबाव या अनुमानित जोखिम पर न छोड़ना। यह एक अंकनीय कृति है जो केवल तब मौजूद होती है जब समूह ने वास्तव में बातचीत की, और यह एक लागू न किए जा सकने वाले नियम को समीक्षा योग्य छात्र निर्णय में बदल देती है।
इसके साथ एक व्यक्तिगत घटक जोड़ें — अपनी समझ का एक मौखिक बचाव, या किसी भी खंड की लिखित व्याख्या जिसे उन्होंने स्वयं न लिखा हो। यह भी मुफ़्तसवारी की समस्या का ईमानदार उत्तर है: यह लेखन के बजाय समझ को अंक देता है, और समझ ही वह चीज़ है जिसका प्रतिनिधि समूह अंक सदैव रहा है।
मार्टिनेज़-पेलाएज़ और सहकर्मी (2025) ने Web of Science Core Collection में 2023–2024 के लिए 203 अध्ययनों का चयन किया और PROSPERO में पंजीकृत एक PRISMA 2020 प्रोटोकॉल के अंतर्गत 22 अध्ययनों को शामिल किया। वे बताते हैं कि LLM सहयोग के उत्प्रेरक के रूप में काम करते हैं — विचार निर्माण, संगठन, सहकर्मी प्रतिपुष्टि, अनुकरण-आधारित रूब्रिक मूल्यांकन और विशेषज्ञ समीक्षाएँ, घटा भागीदारी अवरोध — और समस्या समाधान के लिए वैकल्पिक समाधानों, बहुविषयक परिप्रेक्ष्यों और वास्तविक परिदृश्यों की खोज में सहायता। वे एक उपयोगी विपरीतता भी नोट करते हैं: LLM अक्सर अधूरे या गलत उत्तर देते हैं, जो छात्रों को प्रश्न पूछने, सत्यापित करने और सूचना को सुधारने के लिए प्रेरित करता है — यही वह AI उपयोग है जिसे किसी व्यक्तिगत जाँच-बिंदु में खोजना चाहिए।
उनकी सीमाएँ किसी भी उद्धरण के साथ यात्रा करती हैं: एक ही डेटाबेस, केवल पत्रिका लेख, नैतिकता या गोपनीयता पर कोई ध्यान नहीं, प्रौद्योगिकी के केवल प्रथम दो वर्ष, और कोई जोखिम-पूर्वाग्रह उपकरण लागू नहीं। "उत्प्रेरक" को अवलोकित प्रथाओं का वर्णन मानें, किसी मापे गए परिणाम का नहीं।
करने के लिए दो चीज़ें नहीं। व्यक्तिगत योगदानों को छाँटने के लिए पहचान (detection) की ओर न जाएँ: इन छह अध्ययनों में से कोई भी समूह संदर्भों में पहचानकर्ताओं का परीक्षण नहीं करता, और पहचान के व्यक्तिगत-स्तरीय संबंधी दोष इस ज्ञान आधार में कहीं और दर्ज हैं। और किसी समूह के संयम को अनुमोदन या समस्या मानें बिना यह जाँचे कि वह कौन है — चेन और ज़ोउ चेतावनी देते हैं कि संयम अपरिचितता या जोखिम टालने को दर्शा सकता है, जानबूझकर किए गए स्व-नियमन को नहीं।
टीम के भीतर AI को लेकर असहमति को संभालें
खुलासा केवल एक प्रश्न नहीं है जिसे आप अंत में पूछें; यह एक मानदंड है जिसे समूह को स्थापित करना होता है, और स्थापना में ही रोचक विफलताएँ निहित हैं। चेन और ज़ोउ ने तीव्र उपयोग के दो औचित्यों की पहचान की। प्रदर्शन: छात्रों ने कसौटियों और सहकर्मी बेंचमार्क को पढ़ा और साझा ग्रेड के अपने हिस्से की रक्षा के लिए AI का उपयोग किया — एक साझा अंक के प्रति एक तर्कसंगत प्रतिक्रिया। मानदंडों के माध्यम से अनुमानित सुरक्षा: एक उदार सामूहिक माहौल ने दुरुपयोग का जोखिम को कम महसूस किया, अतः समूहों ने उपकरण का अधिक खुलकर और, सहयोग-उन्मुख मामले में, अधिक निर्भरतापूर्वक उपयोग किया। यदि आप पारदर्शिता चाहते हैं, तो एक घोषित कक्षा मानदंड चेतावनी से अधिक प्रभावी है।
एक समूह जो AI उपयोग को लेकर आपके पास असहमति लाता है, वे आमतौर पर कठिन हिस्सा पहले ही कर चुके होते हैं। उन्हें एक ढाँचा दें: AI-उपयोग विवरण में यह दर्ज करने की आवश्यकता रखें कि समूह ने क्या नहीं करने का निर्णय लिया, उतना ही जितना कि उसने क्या किया, और औचित्य पर अंक दें। यहीं सामूहिक एजेंसी के विषय में चेन और ज़ोउ का बिंदु प्रासंगिक होता है: व्यक्तिगत क्षमता अपने आप सामूहिक क्षमता नहीं बनती, इसीलिए बातचीत को अपेक्षित करने के बजाय आवश्यक बनाया जाना चाहिए।
जो तीन आपत्तियाँ आप वास्तव में सुनेंगे
"समूह कार्य पहले से ही अन्यायपूर्ण है — AI इसे और बिगाड़ता है।" AI समस्या के रूप को बदलता है, उसके अस्तित्व को नहीं। अन्याय की शिकायत पहले से ही समूह के भीतर है: चेन और ज़ोउ के संयत छात्रों ने अपना खंड AI से तैयार करना उन साथियों के प्रति अन्यायपूर्ण माना जिन्हें उसे ढोना पड़ता, और प्रदर्शन का औचित्य दिखाता है कि छात्र साझा ग्रेड के अपने हिस्से की रक्षा कर रहे हैं। यहाँ का कोई भी अध्ययन यह नहीं दिखाता कि AI ने मुफ़्तसवारी को बिगाड़ा है, या कि कोई हस्तक्षेप इसे कम करता है। व्यक्तिगत जवाबदेही और दृश्यमान प्रक्रिया डिज़ाइन तर्क पर रक्षणीय हैं, सिद्ध उपायों के रूप में नहीं।
"AI सहयोग को बेहतर बनाता है, अतः मुझे इसे प्रोत्साहित करना चाहिए।" आंशिक रूप से, और वह आंशिक हिस्सा ही मायने रखता है। मार्टिनेज़-पेलाएज़ और सहकर्मी वास्तविक सहयोग सहायताओं का वर्णन करते हैं — विचार निर्माण, संगठन, सहकर्मी प्रतिपुष्टि, अनुकरण-आधारित रूब्रिक मूल्यांकन, घटा भागीदारी अवरोध — लेकिन यह ऊपर बताई सीमाओं के साथ अवलोकित प्रथाओं की समीक्षा है, और वेई और पर्किंस ने पाया कि लाभों को अनुभवजन्य समर्थन मिला है जबकि जोखिम पक्ष मुख्य रूप से वैचारिक है। उनके द्वारा उद्धृत यादृच्छिक प्रमाण सबसे तीखा इशारा है: AI ने अधिक नवोन्मेषी सुझाव दिए बिना प्रतिभागियों की समग्र नवोन्मेषकता में कुछ विशेष वृद्धि की, और विचारों को एकरूप बनाकर संज्ञानात्मक ऑफ़लोडिंग को आमंत्रित किया। अनुकरण कार्य खाई को बंद नहीं करता। फांग (2026) ने वास्तविक प्रतिभागी संवाद पर LLM एजेंटों को सूक्ष्म-प्रशिक्षित किया (LLaMA 3.2–3B पर LoRA/QLoRA अडैप्टर) ताकि 3,824 बारी और छह विषयगत कोड में 48 प्रतिभागियों को मॉडल किया जा सके, फिर वास्तविक और अनुकृत प्रवचन की तुलना Epistemic Network Analysis से की; अनुकृत नेटवर्क ने अनुभवजन्य नेटवर्क से 0.17 की दूरी तक पहुँचा, जो 0.30 की सीमा से नीचे है, एक अनुक्रम p-मान 0.65 के साथ, सांख्यिकीय रूप से अविवेच्य, हालाँकि अनुकरण ने तकनीकी बाधाओं–डिज़ाइन कड़ियों को थोड़ा अधिक महत्व दिया और डेटा तथा प्रदर्शन पैरामीटरों को कम प्रतिनिधित्व दिया। यह एक ढाँचा पत्र है जिसमें मध्यम विश्वास है: यह केवल एक दावे का समर्थन करता है — प्रतिभागी-विशिष्ट एजेंट वास्तविक सहयोगी प्रवचन को पुनरुत्पादित कर सकते हैं — और यह नहीं दिखाता कि छात्र अनुकृत सहयोगियों से अधिक सीखते हैं।
"मैं प्रक्रिया पर अंक नहीं दे सकता।" आप पहले से ही उसके प्रतिनिधि पर अंक दे रहे हैं और उसे उत्पाद गुणवत्ता कह रहे हैं। कदम अधिक चीज़ों पर अंक देना नहीं है; वह कृति अंक देना है जो केवल तब मौजूद होती है जब प्रक्रिया हुई हो — बातचीत से तय AI-उपयोग विवरण, निर्णय लॉग, व्यक्तिगत बचाव। तीनों सीमित और जाँचने योग्य हैं। आपको यह दावा नहीं करना चाहिए कि इसमें से कुछ भी मान्य है: एजेंसी पैटर्न एक ही गुणात्मक अध्ययन से आते हैं, एक पाठ्यक्रम में 52 पूर्व-सेवा शिक्षक, और लेखक कहते हैं कि इन्हें डिज़ाइन के संभावित प्रतिक्रियाओं के रूप में पढ़ें, किसी ऐसी वितरण के रूप में नहीं जिसकी आप अपनी कक्षा में अपेक्षा कर सकें। लेखन अध्ययन के 10 प्रतिभागी AI-विशेषज्ञ स्नातकोत्तर थे, और उसके लेखक निष्कर्षों को कोई वर्गीकरण नहीं बल्कि संदर्भ-विशिष्ट बताते हैं।
प्रमाण किसका समर्थन नहीं करता
GenAI अनुपयोगी सहयोग में सुधार नहीं करता: स्कोपिंग समीक्षा के लाभ प्रक्रिया और उत्पाद से संबंधित हैं, यह सामूहिक गतिशीलता और संज्ञानात्मक विकास पर अनुदैर्ध्य काम की स्पष्ट माँग करती है, और AI-समर्थित सामूहिक कार्य के दौरान मापी गई वृद्धि बिना उपकरण के हस्तांतरण के लिए नहीं दिखाई गई है। पहचान सामूहिक योगदानों को छाँटती नहीं है। और यहाँ का कोई भी अध्ययन एक ही कार्य को AI के साथ और उसके बिना तुलना नहीं करता, अतः "AI-मुक्त सामूहिक कार्य अधिक सीखने उत्पन्न करता है" एक डिज़ाइन तर्क है, कोई ऐसा निष्कर्ष नहीं जिसे आप उद्धृत कर सकें।
इस सप्ताह करें
दस मिनट में, अगला असाइनमेंट निकलने से पहले: एक साझे तौर पर लिखा गया आधा-पृष्ठ माँगें जिसमें बताया गया हो कि यह टीम GenAI का उपयोग किस प्रकार करेगी और किस प्रकार नहीं, और क्यों, और रूब्रिक में एक व्यक्तिगत घटक जोड़ें।
एक कक्षा काल में: कार्य को जू और सहकर्मियों के परीक्षण से चलाएँ — क्या काम को स्वतंत्र टुकड़ों में काटकर फिर जोड़ा जा सकता है? यदि हाँ, तो अनुक्रम को बदलें ताकि कम से कम एक चरण को पूरी टीम की आवश्यकता हो, और उसके केंद्र में एक साझा इंटरफ़ेस या दस्तावेज़ रखें। कक्षा को बताएँ कि किन खंडों को AI-मुक्त रखा जाना चाहिए, और क्यों।
इस पाठ्यक्रम में: AI अनुमति प्रति कार्य तय करें, फ्रेमिंग और सुलह चरणों की रक्षा करें, और किसी भी समूह के संयम को ऐसा संकेत मानें जिसे व्याख्या करना है, ऐसी स्थिति नहीं जिसे सुधारना है।
समूह असाइनमेंट के लिए एक व्यावहारिक जाँच-सूची
- बातचीत को कार्य में ही लिखें। प्रत्येक टीम से एक छोटा, साझे तौर पर लिखा विवरण जमा कराएँ कि GenAI का उपयोग किस प्रकार किया जाएगा और किस प्रकार नहीं, और तर्क पर अंक दें।
- प्रक्रिया को दृश्यमान बनाएँ, केवल उत्पाद को नहीं। मध्यवर्ती डिलिवरेबल, योगदान के सहकर्मी मूल्यांकन, साझा नियोजन दस्तावेज़ और परावर्ती योगदान वे संपर्क उत्पन्न करते हैं जिनके माध्यम से मानदंडों पर बातचीत होती है।
- समूह अंकों के साथ व्यक्तिगत जवाबदेही की रक्षा करें। एक ऐसा घटक रखें जिसके लिए प्रत्येक सदस्य अकेले जवाबदेह हो — अपनी समझ का एक मौखिक बचाव, या किसी भी खंड की व्यक्तिगत व्याख्या जिसे उसने स्वयं न लिखा हो।
- पहुँच के विन्यास को सोच-समझकर चुनें। एक साझा इंटरफ़ेस सामूहिक प्रॉम्प्ट, साझा स्मृति और बातचीत से तय भूमिकाएँ उत्पन्न करता है; निजी प्रॉम्प्टिंग अपारदर्शी प्रवाह और लेबल-रहित आउटपुट उत्पन्न करती है।
- कार्य को ऐसा डिज़ाइन करें कि उसे बाँटा न जा सके। एक सुसंगति रूब्रिक पंक्ति अपने आप सहयोग उत्पन्न नहीं करती; कार्यप्रवाह को साझे कार्य की आवश्यकता होनी चाहिए।
- बताएँ कि किन हिस्सों को AI-मुक्त रखा जाना है। यदि बातचीत और सामूहिक अर्थ-निर्माण ही मुद्दा हैं, तो उन खंडों का नाम लें जिनमें समूह उपकरण के बिना काम करेगा, और छात्रों को कारण बताएँ।
- भूमिकाएँ सौंपें, विशेष रूप से उन शिक्षार्थियों के लिए जिन्हें इनकी आवश्यकता है। स्पष्ट भूमिका परिभाषाएँ, संरचित असाइनमेंट और छोटी संगत टीमें ऐसी आवश्यकताएँ हैं जिन्हें AI सहयोग उपकरण नियमित रूप से समायोजित करने में विफल रहते हैं।
- संयम को ध्यान से पढ़ें। एक समूह जो GenAI से इनकार करता है वह जानबूझकर किया गया स्व-नियमन अभ्यास कर रहा हो सकता है या अपरिचितता और जोखिम से बच रहा हो सकता है; दोनों के लिए भिन्न प्रतिक्रियाएँ उचित हैं।
- प्रमाण मानक को ईमानदार रखें। संलग्नता, आनंद और संतुष्टि कमज़ोर संकेतक हैं; घटे सहकर्मी संपर्क के साथ एक उदार नीति के अंतर्गत सामूहिक GenAI उपयोग सीखने का प्रमाण नहीं है।
अंतर्निहित प्रमाण समूह कार्य और सहयोगी शिक्षा संकल्पना पृष्ठों में स्थित है।